传统目标检测算法基本流程首先给定一张待检测图片，然后对这张图片进行候选框的提取。候选框的提取通常采用滑动窗口的方法进行，接下来对每个窗口中的局部信息进行特征提取（通常采用一些经典的计算机视觉模式识别中的算法，包括：基于颜色、基于纹理、基于形状的方法，以及一些中层次或高层次语义特征的方法，这些方法有些是需要学习得到的。如：抽取基本的直方图特征，常见的纹理特征）计算机视觉中常见的特征提...

数据分发服务（DDS™）是一个由对象管理组（OMG）发布的以数据为中心的中间件协议和API标准。采用分布式发布/订阅体系架构，以中间件的形式提供通信服务，强调以数据为中心。DDS中间件是一个软件层，从操作系统、网络传输和底层数据格式的细节中抽象出应用。相同的概念和api提供给不同的编成语言，使得应用在不同的操作系统、编成语言和处理体系架构之间交换信息。底层细节包括数据传输格式、发现、连接、可靠性和

好久没有更新SLAM系列的内容了，现在开始继续记录一下关于SLAM建图部分学习中的重要知识。建图概述在经典的slam模型中，所谓的地图，即所有路标点的集合。一旦确定了路标点的位置，那就可以说我们完成了建图。所以不管是视觉历程计也好，回环检测也好，事实上都建模啦路标点的位置，并对它们进行优化。从这个角度上说，为什么要单独的来详细的学习建图呢？这是因为人们对建图的需求不同。SLAM作...

转载自：https://blog.csdn.net/u010402786/article/details/78051647滑动窗口算法/Sliding Window Algorithm在滑动窗口方法中，我们在图像上滑动一个框或窗口来选择一个区域，并使用目标识别模型对窗口覆盖的每个图像块进行分类。这是一个穷尽搜索整个图像的对象。我们不仅需要搜索图像中所有可能的位置，还得在不同的尺度上搜...

综述two-stage是基本深度学习的目标检测算法的一种。主要通过一个完整的卷积神经网络来完成目标检测过程，所以会用到的是CNN特征，通过卷积神经网络提取对候选区域目标的特征的描述。典型的代表：R-CNN到faster RCNN。如果不考虑two-stage方法需要单独训练RPN网络这一过程，可以简单的广义的理解为端到端的过程。但不是完全的端到端，因为训练的整个网络过程中需要两个步骤：1.训练..

当我们只有一个包含m个样例的数据集D={(x1,y1),(x2,y2),...,(xm,ym)},既要训练又要测试，怎样才能做到呢？答案是对D进行适当的处理，从中产生出训练集S和测试集T，下面介绍几种常见的方法。（内容来自西瓜书）1.流出法留出法（hold-out）直接将数据集D划分为两个互斥的集合，其中一个集合作为训练集S，另一个作为测试集T。在S上训练出模型后，用T来评估其测试误差，...

转载自：https://blog.csdn.net/qq_41368247/article/details/82562165光流法理论背景1.什么是光流光流（optical flow）是空间运动物体在观察成像平面上的像素运动的瞬时速度。光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法...

全连接层到底什么用？来自链接：https://www.zhihu.com/question/41037974/answer/150522307全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使...

转载自：https://blog.csdn.net/xbmatrix/article/details/636836142.1、什么是KD树Kd-树是K-dimension tree的缩写，是对数据点在k维空间（如二维(x，y)，三维(x，y，z)，k维(x1，y，z..)）中划分的一种数据结构，主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。本质上说，Kd-树就是一种...

转载自：https://blog.csdn.net/dinkwad/article/details/72819832矩阵求导的技术，在统计学、控制论、机器学习等领域有广泛的应用。鉴于我看过的一些资料或言之不详、或繁乱无绪，本文来做个科普，分作两篇，上篇讲标量对矩阵的求导术，下篇讲矩阵对矩阵的求导术。本文使用小写字母x表示标量，粗体小写字母xx 表示向量，大写字母X表示矩阵。首先来琢磨一下定...